人工智能开发框架应用

讲解细致： 全书内容由浅入深，详细介绍机器学习的基础知识和应用方法。

突出应用： 以任务为驱动，带读者学习经典的神经网络结构及其工作原理。

资源丰富：配备了程序源码、微课视频等教学资源，方便读者学习使用。

前 言

人工智能作为一种新时代的智能化技术，已经成为推动社会进步和创造价值的重要力量。它旨在通过对问题的抽象和数据建模，让机器或计算机系统能够模拟人类智能去解决一系列问题，包括语言理解、自然语言处理、决策制定、视觉感知等。

机器学习是人工智能领域的重要分支，它利用统计学习算法来使计算机系统从经验中学习，从而改进其性能，是一种实现人工智能的有效途径；而深度学习则是属于机器学习的一类算法，它采用深度神经网络结构，可以自动地从数据中提取特征和模式，并对任务进行端到端的训练和优化，是一种特定的机器学习实现方法，尤其在语音和图像识别方面具有突出的表现。因而，学习深度学习需要具备一定的机器学习基础知识，同时本书采用PyTorch框架进行应用开发，要求学习者应具备一定的Python语言编程能力。

党的二十大报告提出，推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎。因此，为了促进人工智能技术的应用推广，本书以使学习者理解人工智能领域中深度学习算法的基本原理和运用经典深度学习算法来解决问题为目标，采用任务驱动教学方式，详细介绍各种神经网络的结构，以及结合PyTorch框架解决实际问题的过程。

在体例安排上，本书分为9个项目，先介绍人工智能技术的发展背景及深度学习相关基础知识，以激发学习者的兴趣；再介绍PyTorch开发环境的搭建和基础知识，为算法的实现与应用奠定基础；继而依次介绍机器学习基础知识、人工神经网络的结构、卷积神经网络的结构、循环神经网络的结构、生成对抗网络的结构和目标检测网络的结构，同时配合项目应用环节，以达到理解应用算法的学习目标。

本书的内容结构如下。

项目1：介绍深度学习基础知识，包括深度学习的发展历程，人工智能、机器学习和深度学习的关系，机器学习算法的分类，深度学习的应用情况，以及深度学习的常用框架。

项目 2：介绍PyTorch环境配置与基本应用，包括PyTorch的核心功能和设计理念， PyTorch所需开发环境的搭建和开发工具的安装，以及PyTorch基础知识和应用。

项目3：介绍机器学习基础知识及其典型应用，包括回归和分类的概念，机器学习线性回归、逻辑回归和分类模型的工作原理，以及利用逻辑回归模型如何实现二分类预测。

项目4：介绍神经网络基础知识及其简单应用，包括人工神经元，单层和多层感知机，深度学习的工作流程，以及利用神经网络线性回归模型实现房价预测。

项目5：介绍卷积神经网络及其应用，包括卷积神经网络的结构，经典的卷积神经网络结构，欠拟合和过拟合，图像增广技术，以及利用卷积神经网络实现图像分类。

项目6：介绍循环神经网络及其应用，包括时序数据，循环神经网络的结构，循环神经网络的建模，长短期记忆网络，以及利用LSTM模型实现股票价格预测。

项目7：介绍生成对抗网络及DCGAN应用，包括生成对抗网络概述，生成对抗网络的基本原理，经典的生成对抗网络结构，随机种子及其使用方法，以及利用DCGAN模型实现真假图像识别。

项目8：介绍CycleGAN及其应用，包括CycleGAN网络结构，图像风格迁移的工作原理，以及利用CycleGAN模型实现图像风格迁移。

项目9：介绍目标检测算法及其应用，包括基于候选区域的目标检测算法，基于回归的目标检测算法，目标检测的预测框，以及利用Mask R-CNN模型实现目标检测。

为方便读者使用，本书免费配置了PPT、微课视频、案例源码和习题答案等课程教学资源，读者可通过扫描二维码或登录出版社官方网站获取。

本书由王明超、芦娅云任主编，宫静娜、李新萍、李峪、熊军任副主编，王明超负责编写项目1、2、4，芦娅云负责编写项目3、5、6，宫静娜、李新萍、李峪和熊军分别负责编写项目7、8和9。由于编者水平有限，书中不妥或错误之处在所难免，恳请广大读者批评指正，一旦发现错误，可及时与编者联系，以便尽快更正，编者将不胜感激。

编 者

2024年2月

目 录
前言

项目1 深度学习概述 1
【项目导读】 1
【项目基础知识】 1
1.1 了解深度学习 1
1.1.1 深度学习的概念 1
1.1.2 深度学习的发展历程 1
1.1.3 人工智能、机器学习和深度
学习的关系 3
1.2 机器学习算法的分类 4
1.2.1 监督学习 4
1.2.2 无监督学习 4
1.2.3 半监督学习 5
1.2.4 强化学习 5
1.3 深度学习的应用情况 5
1.3.1 计算机视觉领域应用情况 5
1.3.2 自然语言处理领域应用情况 5
1.3.3 其他领域应用情况 6
1.4 常用框架对比 6
1.4.1 TensorFlow 6
1.4.2 Caffe 6
1.4.3 PyTorch 7
项目小结 7
课后练习 7
项目2 PyTorch环境配置与基本应用 8
【项目导读】 8
【项目基础知识】 8
2.1 Anaconda包管理器和环境管理器 8
2.2 PyTorch深度学习框架 9
2.3 Tensor对象及其运算 10
2.3.1 初识Tensor 10
2.3.2 Tensor的创建 11
2.3.3 Tensor的基本操作 12
2.4 自动求导机制 16
【项目实施】 16
任务2.1 搭建虚拟环境和安装开发工具 16
任务2.2 Tensor的应用 26
任务2.3 Autograd的应用 28
项目小结 29
课后练习 30
项目3 基于机器学习逻辑回归
实现分类预测 31
【项目导读】 31
【项目基础知识】 31
3.1 回归与分类 31
3.2 回归分析 31
3.2.1 线性回归 32
3.2.2 非线性回归 33
3.3 分类 34
【项目实施】 35
任务 机器学习经典算法逻辑回归应用 35
项目小结 43
课后练习 43
项目4 基于神经网络实现房价预测 44
【项目导读】 44
【项目基础知识】 44
4.1 基础的神经网络结构 44
4.1.1 人工神经元 44
4.1.2 单层感知机 45
4.1.3 多层感知机 46
4.2 深度学习的工作流程 47
4.2.1 数据加载 47
4.2.2 数据预处理 50
4.2.3 构建神经网络 53
4.2.4 训练配置 53
4.2.5 训练网络 55
4.2.6 模型评估 55
4.2.7 模型保存与调用 57
【项目实施】 57
任务4.1 数据准备 57
任务4.2 神经网络的搭建与训练配置 67
任务4.3 神经网络训练和模型评估 69
项目小结 71
课后练习 72
项目5 基于LetNet-5实现图像分类 73
【项目导读】 73
【项目基础知识】 73
5.1 了解卷积神经网络 73
5.1.1 卷积神经网络的结构 73
5.1.2 卷积操作工作原理 75
5.1.3 池化层工作原理 78
5.2 经典卷积神经网络结构 78
5.2.1 LetNet-5 78
5.2.2 AlexNet 79
5.2.3 VGGNet 80
5.2.4 GoogLeNet 81
5.2.5 ResNet 82
5.3 欠拟合和过拟合 83
5.3.1 欠拟合和过拟合的概念 83
5.3.2 欠拟合和过拟合的解决方法 84
5.4 图像增广 85
5.4.1 图像增广的意义 85
5.4.2 图像增广的实现 85
【项目实施】 88
任务5.1 数据准备 88
任务5.2　卷积神经网络的搭建与训练
配置 92
任务5.3　卷积神经网络训练和模型验证 97
项目小结 103
课后练习 103
项目6 基于LSTM实现股票价格预测 104
【项目导读】 104
【项目基础知识】 104
6.1 循环神经网络 104
6.1.1 时序数据 105
6.1.2 循环神经网络的结构 106
6.1.3 循环神经网络的建模 106
6.2 长短期记忆网络 107
【项目实施】 110
任务6.1 数据准备 110
任务6.2 LSTM网络的搭建与训练配置 116
任务6.3 LSTM网络训练与模型评估 119
项目小结 124
课后练习 124
项目7 基于DCGAN实现真假图像识别 125
【项目导读】 125
【项目基础知识】 125
7.1 生成对抗网络 125
7.1.1 生成对抗网络概述 125
7.1.2 生成对抗网络的基本原理 126
7.1.3 经典的生成对抗网络结构 126
7.2 随机种子及其使用方法 128
7.2.1 随机种子的意义 128
7.2.2 随机种子的生成方法 129
7.2.3 CPU和GPU随机种子的设置 129
【项目实施】 130
任务7.1 数据准备 130
任务7.2 DCGAN网络的搭建与训练
配置 132
任务7.3 DCGAN网络训练与模型评估 138
项目小结 143
课后练习 143
项目8 基于CycleGAN实现图像
风格迁移 144
【项目导读】 144
【项目基础知识】 144
8.1 CycleGAN网络结构 144
8.2 图像风格迁移的工作原理 145
【项目实施】 147
任务8.1 数据准备 147
任务8.2 CycleGAN网络的搭建
与训练配置 150
任务8.3 CycleGAN网络训练
与模型评估 158
项目小结 165
课后练习 165
项目9 基于Mask R-CNN实现目标检测 166
【项目导读】 166
【项目基础知识】 167
9.1 目标检测算法 167
9.1.1 认识目标检测 167
9.1.2 基于候选区域的目标检测算法 167
9.1.3 基于回归的目标检测算法 170
9.2 目标检测的预测框 171
【项目实施】 172
任务9.1 数据准备 172
任务9.2 Mask R-CNN模型的搭建
与训练配置 182
任务9.3 Mask R-CNN网络训练
与模型评估 185
任务9.4 Mask R-CNN模型测试 192
项目小结 195
课后练习 195
参考文献 196

1. Java Web项目化设计实践教程 [邱云 曾陈萍]
2. 民航客舱服务实用英语教程 [主编 田静 徐亚玲]
3. Python数据分析 [主编　冯志辉　赵磊　李放]
4. 大学信息技术 [曾翰颖 编著]
5. 创新创业训练实践教程 [主编 王日华 陈武 黄喆诚]
6. 实用运筹学 [主编　邢育红　于晋臣]
7. 电子技术（第二版） [主编 覃爱娜 李飞]
8. 工程数学 [主编 郭立娟 王海]
9. 语音识别理论与实践 [主编　莫宏伟]
10. 武术基础教程 [主编 李代勇 谢志民]
11. 计算机网络实训教程 [主编 张浩军 赵玉娟]
12. 电工电子技术基础 [主编 刘 军 杨国龙 刘天成]
13. MySQL数据库项目式教程 [陈亚峰]
14. 机械设计基础（第二版） [主编 田亚平 李爱姣]
15. 画法几何与机械制图 [主编 赵军]
16. C语言程序设计习题与实验指导（第二版） [主编 甄增荣 张宾]
17. C语言程序设计（第二版） [主编 甄增荣 田云霞]
18. Unity3D虚拟现实应用开发实践 [主 编 刘龙]
19. 智能化技术基础（第三版） [邓文达　李礼]
20. 面向对象程序设计 [主编 张勇 张平华 赵小龙]
21. 网络营销 [主编 夏薇薇 刘婷 尚洁]
22. Python机器学习技术与应用 [主 编 王路漫 齐惠颖]
23. 电视节目策划与制作（微课版） [主　编　黄滴滴]
24. 数据库技术与应用实践教程（SQL Server 2019） [主 编 严晖 周肆清]
25. 深入机器学习 []
26. 大学应用数学 [主编 郭立娟]
27. 软件定义网络技术与实践 [主编　但唐仁]
28. 工业机器人拆装与调试 [主编 胡月霞 向艳芳 朱奇]
29. 信号与系统（第二版） [主编 张宇]
30. 信息技术基础 [主编 唐倩 邵锐]